Mākslīgais intelekts jeb MI ir tehnoloģija, kas ļauj datoriem un mašīnām simulēt cilvēka intelektu un problēmu risināšanas spējas.
Mākslīgais intelekts pats par sevi vai apvienojumā ar citām tehnoloģijām (piemēram, sensoriem, ģeolokāciju, robotiku) var veikt uzdevumus, kuru veikšanai citādi būtu nepieciešams cilvēka intelekts vai iejaukšanās. Digitālie asistenti, GPS vadība, autonomi transportlīdzekļi un ģeneratīvā mākslīgā intelekta rīki (piemēram, Open AI Chat GPT) ir tikai daži piemēri, kā mākslīgais intelekts tiek izmantots mūsu ikdienas ziņās un dzīvē.
Mākslīgais intelekts kā datorzinātņu joma ietver (un bieži tiek minēts kopā ar) mašīnas mācīšanos un dziļo mācīšanos. Šajās disciplīnās tiek izstrādāti mākslīgā intelekta algoritmi pēc cilvēka smadzeņu lēmumu pieņemšanas procesu parauga, kas spēj “mācīties” no pieejamajiem datiem un laika gaitā veikt arvien precīzāku klasifikāciju vai prognozes.
Mākslīgā intelekta veidi: vājš mākslīgais intelekts un spēcīgs mākslīgais intelekts
Mākslīgā intelekta veidi: vājš mākslīgais intelekts un spēcīgs mākslīgais intelekts
Vājš mākslīgais intelekts, ko dēvē arī par ierobežotu mākslīgo intelektu, ir mākslīgais intelekts, kas apmācīts un mērķtiecīgi veic konkrētus uzdevumus.
“Šaurs” varētu būt piemērotāks apzīmējums šim MI veidam, jo tas ir viss iespējamais, tikai ne vājš: tas ļauj izmantot dažas ļoti spēcīgas lietojumprogrammas, piemēram, Apple Siri, Amazon Alexa, IBM watsonx™ un pašbraucošos transportlīdzekļus.
Spēcīgu mākslīgo intelektu veido vispārējais mākslīgais intelekts (AGI) un mākslīgais superintelekts (ASI). AGI jeb vispārējais MI ir teorētisks mākslīgā intelekta veids, kurā mašīnai būtu tāds pats intelekts kā cilvēkam; tā būtu patstāvīga, ar apziņu, kas spētu risināt problēmas, mācīties un plānot nākotni. ASI – pazīstams arī kā superintelekts – varētu pārspēt cilvēka smadzeņu intelektu un spējas. Lai gan spēcīgs mākslīgais intelekts joprojām ir tikai teorētisks un šobrīd nav praktiski izmantojamu piemēru, tas nenozīmē, ka mākslīgā intelekta pētnieki neizpēta arī tā attīstību. Pagaidām vislabākie ASI piemēri varētu būt no zinātniskās fantastikas, piemēram, HAL, supercilvēks un negodīgs datora palīgs filmā 2001: Kosmiskā odiseja.
Dziļā mācīšanās pret mašīnmācīšanos
Mašīnmācīšanās un dziļā mācīšanās ir mākslīgā intelekta apakšdisciplīnas, un dziļā mācīšanās ir mašīnmācīšanās apakšdisciplīna.
Gan mašīnmācīšanās, gan dziļās mācīšanās algoritmi izmanto neironu tīklus, lai “mācītos” no milzīgiem datu apjomiem. Šie neironu tīkli ir programmatiskas struktūras, kas veidotas pēc cilvēka smadzeņu lēmumu pieņemšanas procesu parauga.
Tās sastāv no savstarpēji savienotu mezglu slāņiem, kas no datiem iegūst pazīmes un prognozē, ko dati atspoguļo.
Mašīnmācīšanās un dziļā mācīšanās atšķiras pēc izmantotajiem neironu tīklu veidiem un iesaistītā cilvēka iejaukšanās apjoma. Klasiskajos mašīnmācīšanās algoritmos izmanto neironu tīklus ar ieejas līmeni, vienu vai diviem “slēptajiem” līmeņiem un izejas līmeni. Parasti šie algoritmi aprobežojas ar uzraudzītu mācīšanos: dati ir jāstrukturē vai jāmarķē cilvēkam – ekspertam, lai algoritms varētu no datiem iegūt iezīmes.
Ģeneratīvo modeļu izplatība
Ģeneratīvais mākslīgais intelekts attiecas uz padziļinātās mācīšanās modeļiem, kas var izmantot neapstrādātus datus, piemēram, visu Vikipēdiju vai Rembranta apkopotos darbus, un “iemācīties” ģenerēt statistiski ticamus rezultātus, kad tiem tiek uzdots uzdevums. Augstā līmenī ģeneratīvie modeļi kodē savu mācību datu vienkāršotu attēlojumu un no tā iegūst jaunu darbu, kas ir līdzīgs, bet ne identisks sākotnējiem datiem.
Ģeneratīvie modeļi jau gadiem ilgi tiek izmantoti statistikā, lai analizētu skaitliskos datus. Tomēr dziļās mācīšanās uzplaukums ļāva tos attiecināt arī uz attēliem, runu un citiem sarežģītiem datu tipiem.
Viena no pirmajām mākslīgā intelekta modeļu klasēm, kam izdevās sasniegt šo mijiedarbības sasniegumu, bija variācijas autoenkoderi jeb VAE, kas tika ieviesti 2013. gadā. VAE bija pirmie dziļās mācīšanās modeļi, kas tika plaši izmantoti reālistisku attēlu un runas ģenerēšanai.
Pirmie modeļu piemēri, tostarp GPT-3, BERT vai DALL-E 2, ir parādījuši, kas ir iespējams. Nākotnē modeļi tiks apmācīti, izmantojot plašu nemarķētu datu kopumu, ko varēs izmantot dažādiem uzdevumiem, veicot minimālu precizēšanu. Sistēmas, kas izpilda specifiskus uzdevumus vienā jomā, dod vietu plašām mākslīgā intelekta sistēmām, kas mācās vispārīgāk un darbojas dažādās jomās un ar dažādām problēmām. Šo pāreju veicina pamatmodeļi, kas apmācīti, izmantojot lielas, nemarķētu datu kopas, un precīzi pielāgoti dažādiem uzdevumiem.